| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 电子稳像技术的发展概况 | 第11-12页 |
| 1.3 电子稳像技术中的主要问题 | 第12-13页 |
| 1.4 本文的主要研究工作和论文的组织结构 | 第13-14页 |
| 第二章 电子稳像算法 | 第14-21页 |
| 2.1 电子稳像原理和系统模型 | 第14-15页 |
| 2.1.1 电子稳像算法的原理 | 第14页 |
| 2.1.2 运动参数模型 | 第14-15页 |
| 2.2 经典运动估计算法 | 第15-19页 |
| 2.2.1 基于频域的方法 | 第15-16页 |
| 2.2.2 基于图像灰度的方法 | 第16-18页 |
| 2.2.3 基于特征匹配的方法 | 第18-19页 |
| 2.3 运动补偿理论分析 | 第19-20页 |
| 2.3.1 固定参考帧的补偿方法 | 第19页 |
| 2.3.2 相邻帧的补偿方式 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 CUDA并行计算原理 | 第21-30页 |
| 3.1 CUDA简介 | 第21页 |
| 3.2 CUDA编程技术 | 第21-25页 |
| 3.2.1 CUDA编程模型 | 第21-24页 |
| 3.2.2 CUDA C语言 | 第24-25页 |
| 3.3 CUDA执行模型 | 第25-26页 |
| 3.4 CUDA存储器模型及使用方法 | 第26-28页 |
| 3.5 CUDA程序优化 | 第28-29页 |
| 3.6 本章小结 | 第29-30页 |
| 第四章 基于CUDA和卡尔曼预测的实时电子稳像 | 第30-45页 |
| 4.1 SURF算法原理简介及CUDA实现 | 第30-35页 |
| 4.1.1 SURF特征检测 | 第30-33页 |
| 4.1.2 SURF特征描述 | 第33-34页 |
| 4.1.3 特征点匹配 | 第34页 |
| 4.1.4 基于CUDA的SURF特征提取及描述 | 第34-35页 |
| 4.2 RANSAC算法原理简介及CUDA实现 | 第35-37页 |
| 4.2.1 RANSAC原理简介 | 第35-36页 |
| 4.2.2 基于CUDA的RANSAC算法并行实现 | 第36-37页 |
| 4.3 卡尔曼预测器原理及应用方法 | 第37-39页 |
| 4.3.1 Kalman预测器模型 | 第37-38页 |
| 4.3.2 Kalman预测器的应用方法 | 第38-39页 |
| 4.4 SURF运动估计算法融合kalman预测器的稳像算法 | 第39-40页 |
| 4.5 实验仿真结果 | 第40-44页 |
| 4.5.1 基于CUDA实现的Ransac算法匹配效果 | 第40-42页 |
| 4.5.2 Kalman运动轨迹预测值与测量值间的对比 | 第42-43页 |
| 4.5.3 视频稳像效果图 | 第43-44页 |
| 4.6 本章小结 | 第44-45页 |
| 第五章 基于CUDA的多尺度光流法 | 第45-64页 |
| 5.1 光流算法原理 | 第45-52页 |
| 5.1.1 变分光流模型 | 第45-46页 |
| 5.1.2 Euler–Lagrange方程化简 | 第46-48页 |
| 5.1.3 变分光流的数值解 | 第48-50页 |
| 5.1.4 高斯金字塔架构实现 | 第50页 |
| 5.1.5 算法实现流程及各参数的含义 | 第50-52页 |
| 5.2 光流法的CUDA实现 | 第52-58页 |
| 5.2.1 光流算法并行实现的框架和流程图 | 第53-58页 |
| 5.3 实验结果和对比分析 | 第58-63页 |
| 5.3.1 实验系统平台 | 第58-59页 |
| 5.3.2 实验结果 | 第59-63页 |
| 5.4 小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 本文总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 发表论文情况说明 | 第69-70页 |
| 致谢 | 第70-71页 |
